梯度提升决策树——Gradient Boosting Decision Tree（GBDT）

1. GBDT概述

  GBDT也是集成学习Boosting家族的成员，但是却和传统的Adaboost有很大的不同。回顾下Adaboost，我们是利用前一轮迭代弱学习器的误差率来更新训练集的权重，这样一轮轮的迭代下去。GBDT也是迭代，使用了前向分布算法，但是弱学习器限定了只能使用CART回归树模型，同时迭代思路和Adaboost也有所不同。

  在GBDT的迭代中，假设我们前一轮迭代得到的强学习器是${f_{t - 1}}\left( x \right)$, 损失函数是$L\left( {y,{f_{t - 1}}\left( x \right)\;} \right)$, 我们本轮迭代的目标是找到一个CART回归树模型的弱学习器${h_t}\left( x \right)$，让本轮的损失损失$L\left( {y,{f_{t - 1}}\left( x \right)\;} \right) = L\left( {y,{f_{t - 1}}\left( x \right) + {h_t}\left( x \right)} \right)$最小。也就是说，本轮迭代找到决策树，要让样本的损失尽量变得更小。

  GBDT的思想可以用一个通俗的例子解释，假如有个人30岁，我们首先用20岁去拟合，发现损失有10岁，这时我们用6岁去拟合剩下的损失，发现差距还有4岁，第三轮我们用3岁拟合剩下的差距，差距就只有一岁了。如果我们的迭代轮数还没有完，可以继续迭代下面，每一轮迭代，拟合的岁数误差都会减小。

  从上面的例子看这个思想还是蛮简单的，但是有个问题是这个损失的拟合不好度量，损失函数各种各样，怎么找到一种通用的拟合方法呢？

2. GBDT的负梯度拟合

  在上一节中，我们介绍了GBDT的基本思路，但是没有解决损失函数拟合方法的问题。针对这个问题，大牛Freidman提出了用损失函数的负梯度来拟合本轮损失的近似值，进而拟合一个CART回归树。第t轮的第i个样本的损失函数的负梯度表示为

${r_{ti}} = - {\left[ {\frac{{\partial L\left( {{y_i},f\left( {{x_i}} \right)} \right)}}{{\partial f\left( {{x_i}} \right)}}} \right]_{f\left( x \right) = {f_{t - 1}}\left( x \right)}}$

  利用$\left( {{x_i},{r_{ti}}} \right)\left( {{\text{i}} = 1,2, \ldots {\text{m}}} \right)$,我们可以拟合一颗CART回归树，得到了第t颗回归树，其对应的叶节点区域${R_{tj}},j = 1,2,..J$。其中J为叶子节点的个数。
  针对每一个叶子节点里的样本，我们求出使损失函数最小，也就是拟合叶子节点最好的的输出值ctj如下：

${c_{tj}} = \underbrace {argmin}_c\mathop \sum \limits_{{x_i} \in {R_{tj}}} L\left( {{y_i},{f_{t - 1}}\left( {{x_i}} \right) + c} \right)$

  这样我们就得到了本轮的决策树拟合函数如下：

${h_t} = \mathop \sum \limits_{j = 1}^J {c_{tj}}I\left( {x \in {R_{tj}}} \right)$

  从而本轮最终得到的强学习器的表达式如下：

${f_t}\left( x \right) = {f_{t - 1}}\left( x \right) + \mathop \sum \limits_{j = 1}^J {c_{tj}}I\left( {x \in {R_{tj}}} \right)$

  通过损失函数的负梯度来拟合，我们找到了一种通用的拟合损失误差的办法，这样无轮是分类问题还是回归问题，我们通过其损失函数的负梯度的拟合，就可以用GBDT来解决我们的分类回归问题。区别仅仅在于损失函数不同导致的负梯度不同而已。

3. GBDT回归算法

  好了，有了上面的思路，下面我们总结下GBDT的回归算法。为什么没有加上分类算法一起？那是因为分类算法的输出是不连续的类别值，需要一些处理才能使用负梯度，我们在下一节讲。
  输入是训练集样本${\text{T}} = \left\{ {\left( {{x_1},{y_1}} \right),\left( {{x_2},{y_2}} \right), \ldots \left( {{x_m},{y_m}} \right)} \right\}$， 最大迭代次数$T$, 损失函数$L$。
  输出是强学习器$f(x)$

1. 初始化弱学习器
   ${f_0} = \underbrace {argmin}_c\mathop \sum \limits_{i = 1}^m L\left( {{y_i},c} \right)$　　　
2. . 对迭代轮数$t=1,2,...T$有：

 a)对样本$i=1,2，...m$，计算负梯度
${r_{ti}} = - {\left[ {\frac{{\partial L\left( {{y_i},f\left({{x_i}} \right)} \right)}}{{\partial f\left( {{x_i}} \right)}}}\right]_{f\left( x \right) = {f_{t - 1}}\left( x \right)}}$

 b)利用$\left( {{x_i},{r_{ti}}} \right)\left( {{\text{i}} = 1,2, \ldots{\text{m}}} \right)$, 拟合一颗CART回归树,得到第t颗回归树，其对应的叶子节点区域为${R_{tj}},j = 1,2,..J$。其中J为回归树t的叶子节点的个数。

 c) 对叶子区域$j =1,2,..J$,计算最佳拟合值
${c_{tj}} = \underbrace {argmin}_c\mathop \sum \limits_{{x_i} \in {R_{tj}}} L\left( {{y_i},{f_{t - 1}}\left( {{x_i}} \right) + c}\right)$

 d) 更新强学习器
${f_t}\left( x \right) = {f_{t - 1}}\left( x \right) + \mathop \sum\limits_{j = 1}^J {c_{tj}}I\left( {x \in {R_{tj}}} \right)$
  3. 得到强学习器f(x)的表达式
$f\left( x \right) = {f_T} = {f_0}\left( x \right) + \mathop \sum\limits_{t = 1}^T \mathop \sum \limits_{j = 1}^J {c_{tj}}I\left( {x\in {R_{tj}}} \right)$

  算法第一步获得使得损失函数最小的常数估计值，是一个只有根节点的树；2(a)计算损失函数的负梯度在当前模型的值，将它作为残差估计，2(b)利用$xi$和2(a)中得到的残差组成新的集合$(xi,rti)$来拟合一个CART回归树，逼近残差的近似值，2(c)利用线性搜索估计回归树叶节点区域的值，使损失函数最小化，2(d)更新回归树；第三步获得输出的最终模型。2(a),2(b)可相当于CART回归树生成算法。

4. GBDT分类算法

  这里我们再看看GBDT分类算法，GBDT的分类算法从思想上和GBDT的回归算法没有区别，但是由于样本输出不是连续的值，而是离散的类别，导致我们无法直接从输出类别去拟合类别输出的误差。
  为了解决这个问题，主要有两个方法，一个是用指数损失函数，此时GBDT退化为Adaboost算法。另一种方法是用类似于逻辑回归的对数似然损失函数的方法。也就是说，我们用的是类别的预测概率值和真实概率值的差来拟合损失。本文仅讨论用对数似然损失函数的GBDT分类。而对于对数似然损失函数，我们又有二元分类和多元分类的区别。

4.1 二元GBDT分类算法

  对于二元GBDT，如果用类似于逻辑回归的对数似然损失函数，则损失函数为：
$L\left( {y,f\left( x \right)} \right) = \log \left( {1 + exp\left( { - yf\left( x \right)} \right)} \right)$
  其中$y \in \left\{ { - 1, + 1} \right\}$。则此时的负梯度误差为
　　
${r_{ti}} = - {\left[ {\frac{{\partial L\left( {{y_i},f\left( {{x_i}} \right)} \right)}}{{\partial f\left( {{x_i}} \right)}}} \right]_{f\left( x \right) = {f_{t - 1}}\left( x \right)}} = \frac{{{y_i}}}{{\left( {1 + exp\left( {{y_i},f\left( {{x_i}} \right)} \right)} \right)}}$　　

  对于生成的决策树，我们各个叶子节点的最佳残差拟合值为
　　
${c_{tj}} = \underbrace {argmin}_c\mathop \sum \limits_{{x_i} \in {R_{tj}}} \log \left( {1 + exp\left( { - {y_i}\left( {{f_{t - 1}}\left( {{x_i}} \right) + c} \right)} \right)} \right)$

  由于上式比较难优化，我们一般使用近似值代替
　　
${c_{tj}} = \frac{{\mathop \sum \nolimits_{{x_i} \in {R_{tj}}} {r_{ti}}}}{{\mathop \sum \nolimits_{{x_i} \in {R_{tj}}} \left| {{r_{ti}}} \right|\left( {1 - \left| {{r_{ti}}} \right|} \right)}}$

  除了负梯度计算和叶子节点的最佳残差拟合的线性搜索，二元GBDT分类和GBDT回归算法过程相同。

4.2 多元GBDT分类算法

  多元GBDT要比二元GBDT复杂一些，对应的是多元逻辑回归和二元逻辑回归的复杂度差别。假设类别数为K，则此时我们的对数似然损失函数为：
$L\left( {y,f\left( x \right)} \right) = - \mathop \sum \limits_{k = 1}^K {y_k}\log {p_k}\left( x \right)$

  其中如果样本输出类别为k，则${y_{k\;}} = 1$。第k类的概率pk(x)的表达式为：
　　
${p_k}\left( x \right) = \frac{{exp\left( {{f_k}\left( x \right)} \right)}}{{\mathop \sum \nolimits_{l = 1}^K exp\left( {{f_l}\left( x \right)} \right)}}$

  集合上两式，我们可以计算出第t轮的第i个样本对应类别l的负梯度误差为
　　
${r_{til}} = - {\left[ {\frac{{\partial L\left( {{y_i},f\left( {{x_i}} \right)} \right)}}{{\partial f\left( {{x_i}} \right)}}} \right]_{{f_k}\left( x \right) = {f_{l,t - 1}}\left( x \right)}} = {y_{il}} - {p_{l,t - 1}}\left( {{x_i}} \right)$

  观察上式可以看出，其实这里的误差就是样本i对应类别l的真实概率和t−1轮预测概率的差值。

  对于生成的决策树，我们各个叶子节点的最佳残差拟合值为
　　
${c_{tjl}} = \underbrace {argmin}_{\mathop c\nolimits_{tjl} }\mathop \sum \limits_{i = 0}^m \mathop \sum \limits_{k = 1}^K L\left( {{y_k},{f_{t - 1,l\left( x \right)}} + \mathop \sum \limits_{j = 0}^J {c_{jl}}I\left( {{x_i} \in {R_{tj}}} \right)} \right)$

  由于上式比较难优化，我们一般使用近似值代替
　　
${c_{tjl}} = \frac{{K - 1}}{K}\frac{{\mathop \sum \nolimits_{{x_i} \in {R_{tjl}}} {r_{til}}}}{{\mathop \sum \nolimits_{{x_i} \in {R_{tjl}}} \left| {{r_{til}}} \right|\left( {1 - \left| {{r_{til}}} \right|} \right)}}$

  除了负梯度计算和叶子节点的最佳残差拟合的线性搜索，多元GBDT分类和二元GBDT分类以及GBDT回归算法过程相同。

5. GBDT常用损失函数

  这里我们再对常用的GBDT损失函数做一个总结。

  对于分类算法，其损失函数一般有对数损失函数和指数损失函数两种:

  a) 如果是指数损失函数，则损失函数表达式为
　　
$L\left( {y,f\left( x \right)} \right) = exp\left( { - yf\left( x \right)} \right)$

  其负梯度计算和叶子节点的最佳残差拟合参见Adaboost原理篇。

  b) 如果是对数损失函数，分为二元分类和多元分类两种，参见4.1节和4.2节。

  对于回归算法，常用损失函数有如下4种:

  a)均方差，这个是最常见的回归损失函数了
　　
$L\left( {y,f\left( x \right)} \right) = {\left( {y - f\left( x \right)} \right)^2}$

  b)绝对损失，这个损失函数也很常见
$L\left( {y,f\left( x \right)} \right) = \left| {y - f\left( x \right)} \right|$

  对应负梯度误差为：
$sign\left( {{y_i} - f\left( {{x_i}} \right)} \right)$

  c) Huber损失，它是均方差和绝对损失的折衷产物，对于远离中心的异常点，采用绝对损失，而中心附近的点采用均方差。这个界限一般用分位数点度量。损失函数如下：
　　
$L\left( {y,f\left( x \right)} \right) = \left\{ {\begin{array}{*{20}{c}}{\frac{1}{2}{{\left( {y - f\left( x \right)} \right)}^2}\;,\;\;\left| {y - f\left( x \right)} \right| \leqslant \delta } \\ {\delta \left( {\left| {y - f\left( x \right)} \right| - \frac{\delta }{2}} \right)\;,\left| {y - f\left( x \right)} \right| > \delta } \end{array}} \right.$

  对应的负梯度误差为：

$r\left( {{y_i},f\left( {{x_i}} \right)} \right) = \left\{ {\begin{array}{*{20}{c}}{{y_i} - f\left( {{x_i}} \right)\;,\;\;\;\;\;\;\;\;\left| {y - f\left( x \right)} \right| \leqslant \delta } \\ {\delta sign\left( {{y_i} - f\left( {{x_i}} \right)} \right)\;,\left| {y - f\left( x \right)} \right| > \delta }\end{array}} \right.$

  d) 分位数损失。它对应的是分位数回归的损失函数，表达式为
　　
$L\left( {y,f\left( x \right)} \right) = \mathop \sum \limits_{y \geqslant f\left( x \right)} \theta \left| {y - f\left( x \right)} \right| + \mathop \sum \limits_{y < f\left( x \right)} \left( {1 - \theta } \right)\left| {y - f\left( x \right)} \right|$

  其中θ为分位数，需要我们在回归前指定。对应的负梯度误差为：
　　
$r\left( {{y_i},f\left( {{x_i}} \right)} \right) = \left\{ {\begin{array}{*{20}{c}}{\theta ,\;\;\;\;\;\;\;\;\;{y_i} \geqslant f\left( {{x_i}} \right)} \\ {\theta - 1,{y_i} < f\left( {{x_i}} \right)} \end{array}} \right.$

  对于Huber损失和分位数损失，主要用于健壮回归，也就是减少异常点对损失函数的影响。

6. GBDT的正则化

  和Adaboost一样，我们也需要对GBDT进行正则化，防止过拟合。GBDT的正则化主要有三种方式。
  第一种是和Adaboost类似的正则化项，即步长(learning rate)。定义为ν,对于前面的弱学习器的迭代
${f_k}\left( x \right) = \;{f_{k - 1}}\left( x \right) + {h_k}\left( x \right)$

  如果我们加上了正则化项，则有　　
${f_k}\left( x \right) = \;{f_{k - 1}}\left( x \right) + v{h_k}\left( x \right)$

  $v$的取值范围为$0 < v \leqslant 1$。对于同样的训练集学习效果，较小的ν意味着我们需要更多的弱学习器的迭代次数。通常我们用步长和迭代最大次数一起来决定算法的拟合效果。
  第二种正则化的方式是通过子采样比例（subsample）。取值为(0,1]。注意这里的子采样和随机森林不一样，随机森林使用的是放回抽样，而这里是不放回抽样。如果取值为1，则全部样本都使用，等于没有使用子采样。如果取值小于1，则只有一部分样本会去做GBDT的决策树拟合。选择小于1的比例可以减少方差，即防止过拟合，但是会增加样本拟合的偏差，因此取值不能太低。推荐在[0.5, 0.8]之间。
  使用了子采样的GBDT有时也称作随机梯度提升树(Stochastic Gradient Boosting Tree, SGBT)。由于使用了子采样，程序可以通过采样分发到不同的任务去做boosting的迭代过程，最后形成新树，从而减少弱学习器难以并行学习的弱点。
  第三种是对于弱学习器即CART回归树进行正则化剪枝。在决策树原理篇里我们已经讲过，这里就不重复了。

7. GBDT小结

　　GBDT终于讲完了，GDBT本身并不复杂，不过要吃透的话需要对集成学习的原理，决策树原理和各种损失函树有一定的了解。由于GBDT的卓越性能，只要是研究机器学习都应该掌握这个算法，包括背后的原理和应用调参方法。目前GBDT的算法比较好的库是xgboost。当然scikit-learn也可以。
　　
　　最后总结下GBDT的优缺点。
　　
  GBDT主要的优点有：

1. 可以灵活处理各种类型的数据，包括连续值和离散值。
2. 在相对少的调参时间情况下，预测的准备率也可以比较高。这个是相对SVM来说的。
3. 使用一些健壮的损失函数，对异常值的鲁棒性非常强。比如 Huber损失函数和Quantile损失函数。

  GBDT的主要缺点有：
　　由于弱学习器之间存在依赖关系，难以并行训练数据。不过可以通过自采样的SGBT来达到部分并行。
　　
　　以上就是GBDT的原理总结，后面会讲GBDT的scikit-learn调参，敬请期待。

参考

本文转载自https://www.cnblogs.com/pinard/p/6140514.html#!comments#undefined
同时也可参考https://blog.csdn.net/shine19930820/article/details/65633436